微宏观经济因素与银行信贷风险的关系研究
时间：2021-02-25 04:01:14 来源：雅意学习网 本文已影响 人 
【摘要】本文利用我国商业银行2005～2011年的面板数据，构建理论计量模型，实证分析了微宏观经济因素对银行业信贷风险的影响。结果表明，贷款比例、资本充足率、广义货币供应量增长率和贷款利率的提高，可以降低商业银行的不良贷款率，优化商业银行的信贷资产；而资产规模、管理费用支出比例、净利息收入比例和GDP增长率的提高则增加了商业银行的信贷风险，不利于金融体系的稳定。
【关键词】银行信贷 风险管理 经济因素
一、引言
银行是聚集和经营风险的企业，控制好风险是商业银行存在和发展的基本前提，因此建立健全风险管理体系是商业银行重要的职责之一。尽管各国的银行监管部门都相当重视银行业的风险管理，但是美国投资银行——雷曼兄弟公司的破产，还是引起了全球各国对商业银行的防范和抵抗金融风险能力的担忧。2010年9月，由27个国家银行业监管部门和中央银行高级代表组成的巴塞尔银行监管委员会，制定并通过了《巴塞尔协议Ⅲ》，对银行风险进行更为严格的管理。由此可见，防范和抵抗商业银行信贷风险是全球金融行业关注的核心课题。本文正基于此建立起其微宏观经济因素与商业银行信贷风险的实证模型，以确定各经济因素对商业银行信贷风险的相关关系，以助于我国商业银行建立科学、有效的风险控制体系，以增强商业银行在经营中抵御风险的能力。
二、影响银行信贷风险的因素
（一）微观变量对银行信贷的影响因素
1.贷款比例（LOAN）。在微观方面，贷款比例对银行不良贷款率的变化有着重要的代表意义。一般认为，过快的信贷扩张是比较容易产生信贷风险，但信贷量的增加相当于加大了不良贷款率的分母。因而，对于贷款比例，本文假设H1：贷款比例与银行信贷风险呈负相关关系。
2.资产规模（SIZE）。一般而言，资产规模越大的银行拥有更多的分支机构和网点数量，这样在发挥各网点的地理优势时，可以起到因地制宜、取长补短的作用，以实现风险的分散化，有效降低信贷风险。因而，本文假设H2：资产规模与银行信贷风险呈负相关关系。
3.管理费用支出比例（OR）。银行管理费用的大小直接体现出银行运行效率水平的高低。如果管理费用的支出水平较高，说明企业未能有效利用企业资源，低下的管理效率水平将会增加银行的风险。因而，本文假设H3：管理费用支出比例与银行信贷风险呈正相关关系。
4.资本充足率（CAR）。资本充足率是指资本总额与加权风险资产总额的比例。如果资本充足率越高，说明商业银行抵抗风险水平越强，商业银行风险就越低。因此，本文假设H4：资本充足率与银行信贷风险呈负相关关系。
5.净利息收入占总资产的比例（NIC）。银行的存贷差历来是我国商业银行生存和发展的基础。一般认为，净利息收入比重越大，风险越高。因此，本文假设H5：净利息收入占总资产的比例与银行信贷风险呈正相关关系。
6.不良贷款率（NPL）。当前较为常见的衡量商业银行信贷资产安全的有两个指标：一是违约率，二是不良贷款率。本文将采用不良贷款率作为衡量商业银行资产状况的指标。
（二）宏观变量对银行信贷的影响因素
1.GDP增长率（GDPG）。一般而言，宏观经济越好，社会的消费水平就越高，企业就更渴望扩大投资，以提高产出水平。同时，银行也会在预期良好的宏观经济条件下，扩大企业的信贷规模，增加信贷供应量。因而，本文假设H6：GDP增长率与银行信贷风险呈负相关关系。
2.贷款利率（INR）。贷款利率是衡量资本市场信贷资金的供需状况。一般而言，贷款利率越高，资金的供应量就会越多，而资金的需求量就会越少。本文是选取六个月至一年贷款利率水平作为衡量贷款利率的高低水平，并假设H7：贷款利率与银行信贷风险呈负相关关系。
3.广义货币供应量增长率（M2G）。广义货币供应量是反应货币当局投放到货币市场的货币数量。如果广义货币供应量增长率越大，说明市场资金投放量就越多，相对的信贷基数就越大，不良贷款率就越低。由于货币供应量对市场作用有一个时滞过程，因此本文作了滞后一期的处理，用M2G（-1）表示，并假设H8：广义货币供应量增长率与银行信贷风险呈负相关关系。
三、计量模型与数据选取
（一）计量模型设定
结合微宏观经济因素对商业银行信贷资产风险的影响，建立如下模型：
NPLit=α+β1LOANit+β2SIZEit+β3ORit+β4CARit+β5NICit+ γ1GDPGt+γ2M2G（-1）t+γ3INRt+εit；（i=1，2，…，N；t=2005，2006， …，2011）
（二）样本选取与数据来源
本文选取2005～2011年7年期间在沪深两市上市的国有商业银行、股份制商业银行、城市商业银行以及农村商业银行作为研究样本。样本数据来源于RESSET金融研究数据库、中经网统计数据库。其中中国农业银行在05～07年的资本充足率数据缺失，因此该数据为非平衡面板数据。
（三）实证检验
本文是利用EViews6.0软件对模型进行实证检验。首先，检查多重共线性问题，通过方差扩大因子计算公式：VIF=1/（1-R2），计算出方差扩大因子（VIF）值，如表1所示。由于各个变量的VIF值均低于10，可见，多重共线性对模型的影响很小，基本不存在多重共线性的问题。
其次，对该非平衡面板数据进行模型回归分析。由于混合回归模型不能通过，因此只进行了固定效应和随机效应模型两种分析，并分别进行F检验和Hausman检验，所得的回归结果整理得到表2。
从两种的估值方法中，我们可以看出固定效应变量的显著水平明显优于随机效应模型，因为在SIZE、OR、INR的变量显著性都高于10%；在拟合度中，固定效应的拟合度0.88明显大于随机效应的拟合度0.62；在D.W值检验中，固定效应1.72比随机效应的0.93更接近2.0，说明了固定效应比随机效应有更好的优良性；同时结合F检验和Hausman检验两种检验，可以得出，选择固定效应模型更为合理。
